Ilin, Gabriela; Patrascu, Jenel Marian (2024), Inteligența Artificială aplicată în ortopedia de excelență, IT & C, 4:1, 76-95, DOI: 10.58679/IT82743, https://www.internetmobile.ro/inteligenta-artificiala-aplicata-in-ortopedia-de-excelenta/

 

Artificial Intelligence Applied in Excellence Orthopedics

Abstract

This study reviews the current applications and future potential of artificial intelligence (AI) in orthopedics. Through a systematic review of the literature, the paper explores how AI is revolutionizing diagnosis, preoperative planning, surgical assistance, and postoperative monitoring in orthopedics. The results indicate that AI offers significant benefits in terms of diagnostic accuracy, optimization of intervention planning, and personalization of treatments. However, further studies are needed to validate these technologies and address the associated ethical and regulatory challenges. The study’s conclusion highlights the potential of AI to transform orthopedic practice, improving patient outcomes and healthcare system efficiency.

Keywords: artificial intelligence, orthopedics, medical imaging, diagnostics, surgery, monitoring

Rezumat

Acest studiu analizează aplicațiile actuale și potențialul viitor al inteligenței artificiale (IA) în domeniul ortopediei. Prin intermediul unei analize sistematice a literaturii de specialitate, lucrarea explorează modul în care IA revoluționează diagnosticul, planificarea preoperatorie, asistența chirurgicală și monitorizarea postoperatorie în ortopedie. Rezultatele indică faptul că IA oferă beneficii semnificative în ceea ce privește precizia diagnosticului, optimizarea planificării intervențiilor și personalizarea tratamentelor. Cu toate acestea, sunt necesare studii suplimentare pentru a valida aceste tehnologii și a aborda provocările etice și de reglementare asociate. Concluzia studiului subliniază potențialul IA de a transforma practica ortopedică, îmbunătățind rezultatele pentru pacienți și eficiența sistemului medical.

Cuvinte cheie: inteligența artificială, ortopedie, imagini medicale, diagnosticare, chirurgie, monitorizare

  

IT & C, Volumul 3, Numărul 4, Decembrie 2024, pp. 76-95
ISSN 2821 – 8469, ISSN – L 2821 – 8469, DOI: 10.58679/IT82743
URL: https://www.internetmobile.ro/inteligenta-artificiala-aplicata-in-ortopedia-de-excelenta/
© 2024 Gabriela ILIN. Responsabilitatea conținutului, interpretărilor și opiniilor exprimate revine exclusiv autorilor.

 

Inteligența Artificială aplicată în ortopedia de excelență

Gabriela ILIN[1] , Jenel Marian PATRASCU[2]
office@rovest.eu , jenelmarianp@yahoo.com

[1] Universitatea de Medicină și Farmacie „Victor Babeș” din Timișoara, România – Școala Doctorală
[2] Medic primar ortoped

 

1. Introducere

Inteligența artificială (IA) reprezintă un domeniu în rapidă evoluție care are potențialul de a revoluționa numeroase aspecte ale practicii medicale, inclusiv ortopedia. Aplicațiile IA în ortopedie variază de la analiza avansată a imaginilor medicale și asistența în diagnosticare, până la planificarea intervențiilor chirurgicale și monitorizarea recuperării pacienților.Obiectivul acestui studiu este de a oferi o imagine de ansamblu cuprinzătoare asupra stadiului actual al aplicațiilor IA în ortopedia de excelență, evidențiind beneficiile, limitările și direcțiile viitoare de cercetare în acest domeniu.

2. Istoric

Inteligența Artificială și-a făcut intrarea în medicina ortopedică în ultimele două decenii. Primele aplicații s-au concentrat pe analiza datelor imagistice. Începând cu anii 2000, algoritmii de ML au evoluat, facilitând diagnosticul și optimizarea planurilor chirurgicale.

3. Definiții

Inteligență Artificială (IA): Reprezintă simularea proceselor cognitive umane de către sisteme informatice.

Învățare Automată (Machine Learning): O subdisciplină a IA ce permite calculatoarelor să învețe din date.

Rețele Neuronale Convoluționale (CNN): Un tip de algoritm ML, esențial în analiza imagisticii medicale.

4. Etapele de Implementare

Etapele principale ale implementării IA în ortopedie includ:

Colectarea și prelucrarea datelor medicale.

Dezvoltarea și antrenarea modelelor ML.

Integrarea sistemelor IA în practica clinică.

Evaluarea continuă a performanței algoritmilor și adaptarea acestora.

5. Selectarea Temei

Tema cercetării a fost aleasă datorită potențialului IA de a transforma ortopedia, îmbunătățind calitatea vieții pacienților prin soluții medicale mai precise, mai rapide și de excelență.

6. Identificarea Standardelor de Bună Practică

Pentru implementarea eficientă a IA în ortopedie, trebuie respectate standardele internaționale de reglementare:

ISO 13485: Pentru dispozitive medicale.

GDPR: Reguli stricte privind protecția datelor pacienților.

Standarde etice: Evaluarea algoritmilor pentru a asigura imparțialitatea.

7. Colectarea Datelor

7.1 Metodologie

Acest studiu a utilizat o metodologie de analiză sistematică a literaturii pentru a identifica și evalua cercetările relevante privind aplicațiile IA în ortopedie. Au fost consultate bazele de date PubMed, Scopus și Web of Science, utilizând cuvintele cheie „inteligență artificială”, „învățare automată”, „ortopedie” și „chirurgie ortopedică”. Au fost incluse studiile publicate în ultimii 5 ani (2019-2024) în limbile engleză și română. Procesul de selecție a studiilor este ilustrat în diagrama PRISMA din Figura 1.Diagrama PRISMA a procesului de selecție a studiilorFig. 1: Diagrama PRISMA a procesului de selecție a studiilor

Datele au fost colectate din baze de date precum PubMed, Scopus și Web of Science, folosind cuvinte cheie relevante pentru AI și ortopedie. Diagrama PRISMA din figurile atașate explică procesul de selecție.

Source: Page MJ, et al. BMJ 2021;372:n71. doi: 10.1136/bmj.n71.
This work is licensed under CC BY 4.0. To view a copy of this license, visit https://creativecommons.org/licenses/by/4.0/

 

7.2 Datele Principale

Am analizat:

Studii clinice privind performanța IA în diagnosticarea afecțiunilor ortopedice.

Date imagistice pentru algoritmi CNN (vezi exemplele din tabelul 1).

Studiu	Afecțiune	Tip Algoritm	Acuratețe IA	Acuratețe Medici
Xue et al. 2017	Osteoartrita șold	CNN VGG-16	95%	92%
Tiulpin et al. 2018	Osteoartrita genunchi	CNN Deep Siamese	93%	91%

Figura 1 ilustrează structura CNN Deep Siamese.

8. Analiza Datelor Colectate

Am utilizat metode statistice pentru a evalua performanța IA în detectarea afecțiunilor ortopedice. Graficul de mai jos arată comparația între sensibilitatea și specificitatea modelelor IA.

8.1 Grafice și Tabele

Grafic 1: Sensibilitatea comparativă a IA vs. medici.

Tabel 2: Predicția complicațiilor postoperatorii cu IA.

9. Rezultate și discuții

9.1 Aplicații ale IA în diagnosticul ortopedic

Inteligența artificială a demonstrat un potențial semnificativ în îmbunătățirea acurateței și eficienței diagnosticului ortopedic. Studiile analizate indică faptul că algoritmii de învățare profundă pot detecta și clasifica diverse afecțiuni ortopedice cu o precizie comparabilă sau superioară medicilor specialiști 2

.Tabelul 1 prezintă o sinteză a principalelor studii privind performanța algoritmilor IA în diagnosticul ortopedic.

Studiu	Afecțiune	Tip algoritm	Acuratețe IA	Acuratețe medici
Xue et al. 2017	Osteoartrită șold	CNN VGG-16	95%	92%
Tiulpin et al. 2018	Osteoartrită genunchi	CNN Deep Siamese	93%	91%
He et al. 2020	Tumori osoase	CNN EfficientNet-B0	73.4%	71.3%

Tabel 1: Performanța algoritmilor IA în diagnosticul ortopedic

9.2 Reconstrucția articulară

Reconstrucția articulară este una dintre subspecialitățile majore ale ortopediei, așa că nu este surprinzător că aceasta a fost și o zonă cheie de studiu pentru IA în ortopedie. Cazurile de utilizare comune pentru IA în reconstrucția articulară au fost analizarea imagisticii pentru diagnosticul automat, evaluarea implanturilor și predicția rezultatelor clinice, precum și exemple mai de nișă, cum ar fi eficientizarea fluxului de lucru preoperator pentru implanturi specifice pacientului și cercetarea și dezvoltarea implanturilor1

9.3 Diagnosticul automat bazat pe imagini

Osteoartrita (OA) este cea mai frecventă afecțiune articulară din SUA, afectând 10% dintre bărbați și 13% dintre femei cu vârsta peste 65 de ani2. Având în vedere această prevalență ridicată, un domeniu major de interes pentru ML în domeniul ortopediei a fost automatizarea detectării și stadializării OA din studiile imagistice.Xue et al. și Üreten et al. au utilizat o rețea neuronală convoluțională profundă (CNN) VGG-16 pentru a diagnostica automat OA de șold din radiografii34. Modelul lui Xue et al. a atins o sensibilitate ridicată de 95% și o specificitate de 90,7%, comparabilă cu cea a unui medic experimentat. În mod similar, Tiulpin et al. au utilizat o CNN Deep Siamese pentru a diagnostica și clasifica automat OA de genunchi din radiografii5. Acest model ajută, de asemenea, la deschiderea „cutiei negre” a IA prin evidențierea specifică a caracteristicilor radiologice cheie care determină diagnosticul, pentru a ajuta la construirea încrederii utilizatorului medic.Exemplu de diagnostic automat al osteoartritei de șold utilizând CNN

Fig. 1: Arhitectura CNN Deep Siamese propusă pentru diagnosticul și clasificarea OA de genunchi.
Sursa: Tiulpin et al.
Figure 1. Evolution of the number of total publications and citations whose title, abstract and/or keywords refer to the field of artificial intelligence in orthopaedics during the last years. Data retrieved from Web-of-science (June 20th, 2022) by using the search term: orthopaedic* AND (Artificial Intelligence OR Deep Learning OR Machine Learning OR Convolutional Neural Network).

Pe lângă diagnosticarea OA din radiografii, mai multe studii au utilizat IA pentru a clasifica în continuare severitatea OA. Swiecicki et al. au utilizat un model Faster R-CNN pe radiografii pentru a evalua severitatea OA de genunchi pe baza sistemului de clasificare Kellgren-Lawrence6. Modelul lor a avut o acuratețe similară cu cea a unui panel de radiologi, cu o reproductibilitate îmbunătățită. Kim et al. au efectuat un studiu similar utilizând deep learning și au constatat îmbunătățiri semnificative ale ariilor de sub curbă (AUC) atunci când au combinat datele imagistice cu informații despre demografia pacienților și istoricul medical7.

9.4. Evaluarea automată a implanturilor

Una dintre cauzele majore ale eșecului implanturilor de artroplastie este slăbirea mecanică, care poate fi cauzată de fixarea inițială inadecvată, pierderea fixării în timp, pierderea biologică a fixării din cauza osteolizei și/sau infecției periprotetice. După înlocuirea articulației, este esențial să se evalueze imagistica implantului pentru complicații legate de hardware.Borjali et al. au instruit o CNN profundă pentru a detecta slăbirea mecanică a implanturilor totale de șold din radiografii. Acest model a atins o sensibilitate semnificativ mai mare de 94% și o specificitate similară de 96% în comparație cu un chirurg ortoped experimentat. De asemenea, au creat hărți de saliență care arată zonele cheie pe care modelul le-a utilizat pentru a face diagnosticul, ajutând la construirea încrederii în rezultate.În plus, dacă este necesară o revizuire, identificarea implantului specific utilizat în intervenția chirurgicală primară este un pas cheie în planificarea preoperatorie, însă aproximativ 10% dintre implanturi nu pot fi identificate preoperator. Yi et al. au abordat această problemă cu o CNN profundă ResNet pentru a caracteriza radiografiile de genunchi pe baza prezenței sau absenței artroplastiei de genunchi, clasificarea artroplastiei totale vs. unicompartimentale de genunchi și diferențierea între produsele implanturilor a doi producători diferiți.

9.5. Predicția rezultatelor clinice

Un alt domeniu de interes pentru ML în reconstrucția articulară a fost predicția rezultatelor chirurgicale. Având în vedere provocările particulare de rambursare în înlocuirea articulațiilor cu modelul de rambursare în pachet Comprehensive Care for Joint Replacement (CJR) al Medicare, Ramkumar et al. au propus un model de plată specific pacientului bazat pe valoare, utilizând prognozarea preoperatorie a rezultatelor în artroplastia de șold și genunchi. Ei au utilizat o abordare bayesiană pentru a prezice cu acuratețe durata spitalizării și costurile după artroplastia totală de genunchi și șold pe baza caracteristicilor pacientului, inclusiv vârstă, etnie, sex și comorbidități, și au propus o rambursare specifică pacientului în trepte pentru a ține cont mai echitabil de complexitatea pacientului în comparație cu CJR.Examinând rezultatele clinice, Harris et al. au utilizat un model Least Absolute Shrinkage and Selection Operator (LASSO) pentru a face predicții moderat precise ale mortalității la 30 de zile și complicațiilor cardiace după înlocuirea totală a articulației. Fontana et al. s-au concentrat pe predicția măsurilor de rezultat raportate de pacienți (PROM) pe termen mai lung și identificarea pacienților cu risc de a nu obține câștiguri semnificative pentru a facilita suportul decizional preoperator. Ei au comparat trei algoritmi ML, mașină cu vectori suport (SVM), LASSO și random forest, constatând că toți au avut o putere predictivă similară corectă până la bună în ceea ce privește câștigurile semnificative la 2 ani în PROM atunci când au fost analizate înainte de intervenția chirurgicală.

Inteligența artificială (AI) poate prezice rezultatele clinice în intervențiile ortopedice în mai multe moduri:

• Analiza datelor preoperatorii
• AI poate analiza un volum mare de date despre pacient, incluzând:
• Informații demografice (vârstă, sex, IMC etc.)
• Istoricul medical și comorbidități
• Rezultatele analizelor și investigațiilor imagistice

Scoruri funcționale preoperatorii

Prin analiza acestor date complexe, algoritmii de AI pot identifica tipare și factori de risc asociați cu diverse rezultate postoperatorii.

Predicția complicațiilor postoperatorii

Studiile au arătat că modelele de AI pot prezice complicațiile la 30 de zile după artroplastia de umăr cu o acuratețe de până la 90% 4. Aceste modele pot depăși performanța indicilor de comorbiditate utilizați în mod obișnuit.

Estimarea rezultatelor funcționale

AI poate prezice amplitudinea de mișcare postoperatorie și îmbunătățirea scorurilor raportate de pacienți (PROMs):

Predicția amplitudinii de mișcare cu o eroare medie de ±15-20° pentru abducție și flexie anterioară 4A curatețe de 85-90% în predicția atingerii diferenței minime importante clinic (MCID) pentru rotația internă după artroplastia de umăr 4 Predicția duratei de spitalizare și a costurilor

Modelele de AI pot estima durata de spitalizare, timpul operator și costurile de spitalizare, permițând o mai bună planificare a resurselor.

Personalizarea planurilor de tratament

Prin analiza datelor specifice pacientului, AI poate sugera planuri de tratament personalizate cu cea mai mare probabilitate de succes.

Monitorizarea recuperării

Algoritmii de AI pot analiza datele colectate în timpul recuperării pentru a identifica precoce abaterile de la evoluția normală și a sugera ajustări ale protocolului de recuperare.

Îmbunătățirea planificării preoperatorii

În artroplastia cu implanturi personalizate, AI poate optimiza planificarea preoperatorie, reducând timpul necesar pentru ajustări manuale 2. Principalele avantaje ale utilizării AI pentru predicția rezultatelor sunt:

• Capacitatea de a procesa volume mari de date complexe
• Identificarea unor corelații subtile între factori de risc și rezultate
• Oferirea unor predicții personalizate pentru fiecare pacient

Îmbunătățirea continuă a acurateței pe măsură ce sunt analizate mai multe date

Este important de menționat că performanța modelelor de AI depinde de calitatea și cantitatea datelor de antrenare, precum și de algoritmii utilizați. Pe măsură ce tehnologia avansează și sunt disponibile mai multe date, ne putem aștepta la o îmbunătățire continuă a acurateței predicțiilor.

Îmbunătățirea fluxului de lucru al chirurgului

O tendință în creștere în artroplastia ortopedică a fost utilizarea implanturilor specifice pacientului, permițând rezultate potențial superioare, deși implică mai multă muncă în timpul planificării preoperatorii. Lambrechts et al. au dezvoltat o aplicație nouă pentru ML în înlocuirea articulară specifică pacientului, utilizând ML pentru a automatiza planificarea preoperatorie specifică pacientului și chirurgului. Combinând abordările LASSO și SVM, planurile preoperatorii bazate pe IA au fost semnificativ îmbunătățite în comparație cu planurile producătorului, necesitând mai puține corecții manuale din partea chirurgului, eficientizând astfel fluxul de lucru preoperator al chirurgilor și reducând timpul necesar pentru a face corecții.

Coloana vertebrală

Chirurgia coloanei vertebrale a fost un alt domeniu major de cercetare a IA în ortopedie, bazat pe numărul de publicații de cercetare în domeniu. Unele dintre subiectele mai explorate includ diagnosticarea patologiilor spinale din informații clinice sau imagistice și predicția complicațiilor postoperatorii.

Localizarea și etichetarea automată a imaginilor

Pasul inițial în dezvoltarea algoritmilor pentru detectarea și clasificarea anomaliilor patologice în imagistică este localizarea structurilor anatomice. În chirurgia ortopedică spinală, din cauza patologiilor structurale complexe și a variațiilor anatomice ale corpurilor vertebrale, localizarea poate ajuta, de asemenea, direct procedurile clinice prin îmbunătățirea preciziei și vitezei.Hetherington et al. au dezvoltat mai mulți algoritmi CNN (AlexNet, GoogLeNet, ResNet-50, SqueezeNet) pentru identificarea în timp real a nivelului vertebral pe imagini cu ultrasunete. Autorii au raportat o acuratețe de detecție de 88%-91% între diferiți algoritmi pentru clasificarea corpurilor vertebrale. Aplicațiile translaționale ale unor astfel de algoritmi ar fi benefice în anestezia și analgezia neuraxială, inclusiv în inserțiile de ace spinale și epidurale și injecțiile articulare facetare, pe lângă reducerea riscului de chirurgie la nivelul greșit al coloanei vertebrale.Exemplu de localizare automată a corpurilor vertebrale
*Fig. 2: Rezultate de localizare și identificare pentru două cazuri exemplu. Sursa: Glocker et al. *Localizarea a fost aplicată și imaginilor cu patologii spinale. Glocker et al. au utilizat o pădure aleatoare de clasificare pentru a determina locația centroidului vertebral pe imagini CT de la pacienți cu scolioză severă, deformitate sagitală și prezența dispozitivelor de fixare. Ei au raportat o eroare medie de localizare între 6 și 8,5 mm. Chen et al. au utilizat o metodă în doi pași pentru a localiza mai întâi centrul fiecărui disc intervertebral și apoi pentru a segmenta discurile utilizând un clasificator random forest și o CNN profundă. Metoda lor a arătat o îmbunătățire semnificativă față de alte metode anterioare non-deep learning, cu o eroare medie de localizare pentru centroidul discului intervertebral de 1,6-2 mm.

Diagnosticul automat bazat pe imagini

Diagnosticarea patologiilor spinale a fost un domeniu major de interes al cercetării IA în ortopedia spinală. Utilizarea ML pentru diagnosticarea patologiilor spinale datează din anii 1980. Într-un studiu din 1988, Bounds et al. au raportat o acuratețe de diagnostic de 77%-82% pentru instruirea unui perceptron multistrat pentru clasificarea durerii de spate în patru categorii: simplă, radiculară, patologică (de exemplu, tumoră, infecție, inflamație) și durere de spate cu suprapunere psihologică semnificativă, pe baza simptomelor clinice și a istoricului medical anterior.O varietate de metode de IA au fost explorate pentru diagnosticul bazat pe imagini al patologiilor spinale, cum ar fi abordările non-ML derivate din tehnicile tradiționale de procesare a imaginilor, precum și tehnici ML de bază, cum ar fi clasificatorii bayesieni. Majoritatea acestor metode utilizează valoarea pixelilor imaginii (unitatea Hounsfield CT sau intensitatea semnalului IRM) și informații despre textură pentru a instrui și testa algoritmii de diagnostic.Ghosh et al. au utilizat IRM instruită pe numeroși clasificatori diferiți, inclusiv un SVM, pentru a clasifica discurile intervertebrale ca degenerate sau normale. Acuratețea a variat între 80 și 94%, SVM fiind cel mai precis. Hao et al. au utilizat informații morfologice, cum ar fi forma discului, pe lângă valoarea pixelilor imaginii și informațiile despre textură, pentru a diagnostica hernia de disc lombară, obținând o acuratețe de 92%.

Imagistica medicală joacă un rol esențial în integrarea mașinilor de învățare (machine learning) în ortopedie, fiind unul dintre principalele domenii de aplicare a inteligenței artificiale în această specialitate. Iată câteva aspecte cheie privind rolul imagisticii medicale:

Furnizează date pentru antrenarea algoritmilor:

Imagistica oferă volume mari de date (radiografii, CT, RMN) necesare pentru antrenarea algoritmilor de învățare automată 1

Aceste seturi de date imagistice permit dezvoltarea de modele AI robuste pentru diverse aplicații ortopedice.

Permite diagnosticarea automată a patologiilor:

Algoritmii de deep learning, în special rețelele neuronale convoluționale (CNN), sunt folosiți pentru detectarea și clasificarea automată a afecțiunilor ortopedice din imagini 1

De exemplu, s-au dezvoltat modele CNN pentru diagnosticarea automată a osteoartritei de șold și genunchi din radiografii, cu acuratețe comparabilă cu cea a medicilor experți 1

Facilitează evaluarea implanturilor:

Imagistica permite dezvoltarea de algoritmi pentru detectarea automată a complicațiilor implanturilor, cum ar fi slăbirea mecanică 1

Modele de deep learning pot identifica tipul specific de implant utilizat, facilitând planificarea preoperatorie pentru revizii 1

Îmbunătățește planificarea preoperatorie:

Algoritmi de machine learning pot automatiza și optimiza planificarea preoperatorie pentru implanturi specifice pacientului, reducând timpul necesar corecțiilor manuale 1

Permite segmentarea și analiza avansată a imaginilor:

Tehnici de segmentare bazate pe AI pot delimita automat structuri anatomice și patologice din imagini CT/RMN 1

.

Acest lucru facilitează măsurători precise și analize cantitative ale leziunilor osoase sau tumorale.

Sprijină predicția rezultatelor clinice:

Integrarea datelor imagistice cu informații clinice permite dezvoltarea de modele predictive pentru rezultatele intervențiilor ortopedice 1

Deschide noi posibilități de cercetare:

Analiza avansată a imaginilor medicale prin tehnici de AI permite extragerea de noi biomarkeri imagistici și corelații clinico-imagistice 1

În concluzie, imagistica medicală furnizează datele esențiale pentru antrenarea și validarea algoritmilor de inteligență artificială în ortopedie, permițând dezvoltarea de aplicații inovatoare pentru diagnosticare automată, planificare chirurgicală, evaluarea implanturilor și predicția rezultatelor. Integrarea tehnicilor de AI în analiza imagistică are potențialul de a îmbunătăți semnificativ acuratețea diagnosticului și eficiența fluxului de lucru în practica ortopedică 1

9.6. Oncologia ortopedică

Inteligența artificială a fost aplicată în oncologia ortopedică pentru a ajuta la diagnosticarea și clasificarea tumorilor osoase, precum și pentru a prezice rezultatele pacienților. Aceste aplicații au potențialul de a îmbunătăți precizia diagnosticului și de a ghida deciziile de tratament.

Diagnosticul și clasificarea tumorilor osoase

Un domeniu major de interes pentru IA în oncologia ortopedică a fost diagnosticul și clasificarea tumorilor osoase. He et al. au dezvoltat un model CNN EfficientNet-B0 pentru a diferenția tumorile osoase primare benigne, intermediare și maligne utilizând radiografii simple. Modelul lor a atins o acuratețe de 73,4% pe un set de validare externă, demonstrând potențialul IA de a asista clinicienii în evaluarea inițială a leziunilor osoase.Eweje et al. au extins această abordare la imagistica prin rezonanță magnetică (IRM), utilizând un model CNN similar pentru a diferenția tumorile osoase primare benigne de cele maligne. Modelul lor a atins o acuratețe de 73% și o arie sub curba ROC de 0,82, sugerând că IA poate fi un instrument valoros în interpretarea IRM pentru diagnosticul tumorilor osoase.![Exemplu de clasificare a tumorilor osoase utilizând CNN](https://www.researchgate.net/profile/Yong-Peng-He/publication/339003462/figure/fig1/AS:854642

9.7. Diagnosticarea precoce bazată pe AI

Inteligența artificială (AI) poate juca un rol important în detectarea precoce a bolilor degenerative în ortopedie, oferind mai multe avantaje:

Analiza avansată a imagisticii medicale:

AI poate analiza cu precizie imagini radiologice precum radiografii, RMN-uri și CT-uri pentru a detecta modificări subtile asociate cu bolile degenerative într-un stadiu incipient 1 4. Algoritmii de deep learning pot identifica semne precoce de osteoartrită, degenerare discală sau alte afecțiuni degenerative care ar putea fi trecute cu vederea de ochiul uman.

Integrarea datelor complexe:

Sistemele AI pot combina și analiza rapid diverse tipuri de date, inclusiv imagistică, rezultate de laborator, simptome clinice și istoricul medical al pacientului. Această abordare holistică permite identificarea precoce a tiparelor și factorilor de risc asociați cu bolile degenerative 3.

Modele predictive:

Utilizând tehnici de machine learning, se pot dezvolta modele predictive care estimează riscul individual al pacienților de a dezvolta sau progresa cu boli degenerative. Aceste modele pot lua în considerare o multitudine de factori pentru a oferi predicții personalizate 2.

Monitorizare continuă:

Prin integrarea cu dispozitive purtabile și senzori, AI poate monitoriza continuu parametri relevanți precum mișcarea articulară, forța musculară sau markeri biologici. Acest lucru permite detectarea precoce a modificărilor subtile care pot indica debutul sau progresia unei boli degenerative 4.

Asistență în interpretarea rezultatelor:

AI poate ajuta medicii ortopezi în interpretarea rezultatelor imagistice și de laborator, evidențiind zonele de interes și oferind sugestii pentru diagnostic diferențial. Acest lucru poate crește acuratețea și rapiditatea diagnosticării precoce 1.

Screening la scară largă:

Algoritmii AI permit procesarea rapidă a unui volum mare de date, facilitând implementarea programelor de screening la scară largă pentru detectarea precoce a bolilor degenerative în populații cu risc crescut 3.

Personalizarea planurilor de prevenție:

Pe baza analizei factorilor de risc individuali, AI poate genera recomandări personalizate pentru prevenirea sau încetinirea progresiei bolilor degenerative, cum ar fi modificări ale stilului de viață sau intervenții terapeutice precoce 2. Prin aceste aplicații, AI are potențialul de a revoluționa detectarea precoce a bolilor degenerative în ortopedie, permițând intervenții mai rapide și mai eficiente, cu beneficii semnificative pentru pacienți și sistemul de sănătate.

Pe baza analizei literaturii prezentate în bibliografia din articol, principalele tehnici de învățare automată utilizate în ortopedie sunt:

• Arbori de decizie și păduri aleatoare (Random Forests)
  • Utilizate pentru clasificarea pacienților cu osteoartrită, segmentarea imaginilor vertebrelor etc.
• Metode bazate pe vecini apropiați (Nearest Neighbors)
  • Aplicate pentru detectarea osteoartritei din imagini RMN, clasificarea tiparelor de mers etc.
• Regresie liniară și tehnici similare
  • Folosite pentru modelarea leziunilor de genunchi, predicția degenerării cartilajului articular etc.
• Mașini cu vectori suport (SVM)
  • Aplicate pe larg pentru diverse sarcini de clasificare: predicția osteoartritei, detectarea leziunilor de ligamente, localizarea siturilor de inserție a acelor etc.
• Clustering (de ex. K-means)
  • Utilizat pentru gruparea pacienților în funcție de riscul de fractură, segmentarea ligamentelor din imagini RMN etc.
• Rețele neuronale și deep learning
  • Aplicate în special pentru analiza imaginilor medicale: segmentare, clasificare, detectarea anomaliilor etc.

Principalele aplicații ale acestor tehnici includ:

• Diagnosticarea și stadializarea osteoartritei
• Analiza tiparelor de mers
• Segmentarea și analiza imaginilor medicale (RMN, CT, radiografii)
• Predicția rezultatelor intervențiilor chirurgicale
• Clasificarea și detectarea leziunilor ligamentare și articulare
• Planificarea preoperatorie și optimizarea implanturilor

În concluzie, există o varietate de tehnici de învățare automată aplicate în ortopedie, cu un accent puternic pe analiza imaginilor medicale și pe sarcini de clasificare și predicție pentru diverse afecțiuni musculo-scheletice.

Predicția posibilelor complicații în intervenții ortopedice

Inteligența artificială (AI) poate juca un rol important în predicția complicațiilor posibile în intervențiile ortopedice, oferind mai multe avantaje:

Analiza datelor complexe:
AI poate analiza rapid volume mari de date despre pacient, incluzând:

• Informații demografice (vârstă, sex, IMC etc.)
• Istoricul medical și comorbidități
• Rezultatele analizelor și investigațiilor imagistice
• Scoruri funcționale preoperatorii
• Date despre procedura chirurgicală planificată

Prin analiza acestor date complexe, algoritmii de AI pot identifica tipare și factori de risc asociați cu diverse complicații postoperatorii.

Predicția complicațiilor pe termen scurt:
Studiile au arătat că modelele de AI pot prezice complicațiile la 30 de zile după artroplastia de umăr cu o acuratețe de până la 90-95% 1 2. Aceste modele pot evalua riscul pentru:

• Complicații generale postoperatorii
• Evenimente adverse specifice (ex. infecții, tromboze)
• Readmisii
• Reintervenții chirurgicale

Evaluarea riscului personalizat:
AI poate oferi predicții de risc personalizate pentru fiecare pacient, luând în considerare profilul său unic. Acest lucru permite o stratificare mai precisă a riscului comparativ cu scorurile tradiționale.

Identificarea factorilor de risc modificabili:
Algoritmii pot evidenția cei mai importanți factori de risc pentru fiecare pacient, permițând implementarea de strategii țintite de reducere a riscului preoperator.

Predicția rezultatelor funcționale:
AI poate estima rezultatele funcționale postoperatorii, cum ar fi:

Amplitudinea de mișcare (cu o eroare medie de ±15-20°) 3

Îmbunătățirea scorurilor raportate de pacienți (PROMs)

Probabilitatea de a atinge diferența minimă importantă clinic (MCID)

Optimizarea planificării preoperatorii:
Prin analiza datelor imagistice și clinice, AI poate ajuta la optimizarea planificării preoperatorii, inclusiv selecția implantului și poziționarea acestuia.

Integrarea cu fluxul de lucru clinic:
Sistemele moderne de AI pot fi integrate în fluxul de lucru clinic, oferind predicții în timp real prin intermediul aplicațiilor mobile sau portalurilor web 4. Acest lucru permite medicilor să acceseze rapid informațiile relevante pentru luarea deciziilor.

Îmbunătățirea continuă:
Modelele de AI pot fi actualizate și îmbunătățite continuu pe măsură ce sunt disponibile noi date, permițând o precizie din ce în ce mai mare în timp.

În concluzie, AI oferă un instrument puternic pentru predicția complicațiilor și optimizarea rezultatelor în intervențiile ortopedice. Prin integrarea unei game largi de date și oferirea de predicții personalizate în timp real, AI poate ajuta chirurgii ortopezi să ia decizii mai informate, să reducă riscurile și să îmbunătățească rezultatele pentru pacienți.

9.8. IA în planificarea preoperatorie și asistența chirurgicală

Inteligența artificială oferă instrumente avansate pentru optimizarea planificării preoperatorii și asistența intraoperatorie. Algoritmii de IA pot analiza imagini medicale complexe și date ale pacienților pentru a genera planuri chirurgicale personalizate și a ghida chirurgii în timpul intervențiilor 3. Figura 2 ilustrează un exemplu de sistem de asistență chirurgicală bazat pe IA pentru artroplastia totală de genunchi.Sistem de asistență chirurgicală bazat pe IAFig. 2: Sistem de asistență chirurgicală bazat pe IA pentru artroplastia totală de genunchi

IA în monitorizarea și recuperarea postoperatorie

Aplicațiile IA în monitorizarea și recuperarea postoperatorie includ sisteme de telemedicină, dispozitive wearable și programe personalizate de reabilitare. Aceste tehnologii permit o monitorizare continuă a progresului pacienților și ajustarea în timp real a planurilor de tratament 4

10. Provocări și direcții viitoare

10.1 Beneficiile IA în Ortopedie

Studiile analizate arată că IA poate îmbunătăți diagnosticul și poate contribui la reducerea erorilor. De exemplu, CNN-urile utilizate pentru detectarea osteoartritei oferă o precizie mai mare datorită capacității lor de a analiza caracteristicile radiografice subtile care ar putea trece neobservate de experți umani. În plus, IA poate evalua implanturile și poate prezice complicațiile postoperatorii cu o acuratețe superioară metodelor tradiționale.

10.2 Limitări și Provocări

În ciuda beneficiilor evidente, IA în ortopedie se confruntă cu provocări semnificative:

Interpretabilitatea Algoritmilor: Majoritatea modelelor IA funcționează ca „cutii negre,” ceea ce ridică preocupări legate de încrederea medicilor.

Probleme Etice și de Reglementare: Există întrebări nerezolvate privind confidențialitatea și protecția datelor pacienților.

Aceste provocări subliniază necesitatea unei reglementări adecvate și a colaborării între dezvoltatorii de algoritmi și specialiștii medicali.

În ciuda potențialului semnificativ, integrarea IA în practica ortopedică prezintă și o serie de provocări, inclusiv:

Validarea clinică a algoritmilor IA

Aspecte etice și de confidențialitate a datelor

Integrarea cu sistemele existente de informații medicale

Formarea personalului medical în utilizarea tehnologiilor IA

Direcțiile viitoare de cercetare includ dezvoltarea de algoritmi IA mai robuști și interpretabili, studii clinice la scară largă pentru validarea tehnologiilor IA și explorarea aplicațiilor IA în medicina personalizată și medicina regenerativă ortopedică.

11. Aport Personal al Cercetătorului

Contribuția personală a constat în evaluarea critică a performanței IA, identificarea potențialelor îmbunătățiri ale algoritmilor și propunerea unor soluții pentru integrarea sigură a IA în ortopedie.

Rolul meu în această cercetare a inclus:

Analiza critică a articolelor existente pentru a sintetiza datele relevante.

Conceperea unei metodologii de evaluare a impactului IA în ortopedie.

Elaborarea unei perspective echilibrate privind implementarea sigură și etică a IA în spitale.

Întocmirea studiului, responsabilă de formularea întrebărilor de cercetare, de stabilire a protocolului de studiu și de obținerea aprobărilor necesare pentru desfășurarea cercetării.

Colaborare cu echipa medicală în obținerea materialelor de studiu.

Evaluare software în vederea obținerii celor mai clare imagini, date.

12. Concluzii

Inteligența artificială are potențialul de a transforma semnificativ practica ortopedică, oferind instrumente avansate pentru diagnosticare, planificare chirurgicală și monitorizare postoperatorie. Studiile analizate indică beneficii semnificative în ceea ce privește precizia diagnosticului, optimizarea tratamentelor și îmbunătățirea rezultatelor pentru pacienți.Cu toate acestea, sunt necesare cercetări suplimentare pentru a valida pe deplin aceste tehnologii și a aborda provocările asociate implementării lor pe scară largă. Colaborarea strânsă între specialiștii în ortopedie, experții în IA și factorii de decizie din domeniul sănătății va fi esențială pentru a maximiza beneficiile IA în ortopedia de excelență, asigurând în același timp siguranța pacienților și respectarea standardelor etice.

13. Bibliografie

Farhadi F, Barnes MR, Sugito HR, et al. Applications of artificial intelligence in orthopaedic surgery. Front Med Technol. 2022;4:995526. doi:10.3389/fmedt.2022.995526
https://www.frontiersin.org/articles/10.3389/fmedt.2022.995526/full

Xue Y, Zhang R, Deng Y, Chen K, Jiang T. A preliminary examination of the diagnostic value of deep learning in hip osteoarthritis. PLoS One. 2017;12(6):e0178992. doi:10.1371/journal.pone.0178992
https://journals.plos.org/plosone/article?id=10.1371/journal.pone.0178992

Lambrechts M, Nazari Farsani G, Venner KH, et al. Machine learning to automate and improve patient-specific preoperative planning for total knee arthroplasty. J Arthroplasty. 2022;37(6):1085-1091.e1. doi:10.1016/j.arth.2022.01.071
https://www.arthroplastyjournal.org/article/S0883-5403(22)00090-7/fulltext

Ramkumar PN, Haeberle HS, Navarro SM, et al. Artificial intelligence and arthroplasty at a single institution: real-world applications of machine learning to big data, value-based care, mobile health, and remote patient monitoring. J Arthroplasty. 2019;34(10):2204-2209. doi:10.1016/j.arth.2019.06.018
https://www.arthroplastyjournal.org/article/S0883-5403(19)30598-1/fulltext